基于植被供水指数的藏北地区土壤湿度反演研究

【目的】利用光学遥感数据获取的植被供水指数来反演西藏那曲地区的土壤湿度,结合高分辨率的遥感数据(GF-1)和中低分辨率的遥感数据(Landsat、MODIS)分别建立土壤湿度反演模型,通过比较不同空间尺度反演模型的精度和适用性,拓宽国产高分遥感数据在农牧业信息定量获取等方面的应用范围,为"天地网一体化"的现代农业信息获取和农情信息遥感监测提供理论基础。【方法】以西藏那曲地区为研究区,以代表高、中、低分辨率卫星数据的高分一号(GF-1)、Landsat-8及MODIS影像数据和土壤湿度实测数据为数据源,利用植被供水指数(Vegetation Supply Water Index,VSWI)构建土壤湿度反演模型,比较3种遥感影像在反演土壤湿度方面的差异。【结果】(1)VSWI反演土壤湿度的最佳深度为10 cm左右;(2)基于GF-1、Landsat-8和MODIS构建的反演模型得到的土壤湿度预测值与实测值的均方根误差分别为5.145、5.227和6.298,可见GF-1和Landsat-8的反演效果相当,均优于MODIS的反演效果;GF-1土壤反演模型的拟合效果最佳;(3)研究区土壤湿度在空间上呈东南向西北递减的趋势,与实地采样点的土壤湿度分布趋势一致,说明利用高分辨率遥感数据监测土壤湿度是可行的。【结论】利用GF-1遥感数据和植被供水指数可以实现对藏北地区的土壤湿度反演,研究结果可以为干旱或者半干旱地区大范围的土壤墒情监测提供理论依据和实践参考。     

地震沉积学在有利砂体预测方面的应用——以三肇地区XS14区块扶余油层为例

三肇凹陷扶余油层是松辽盆地北部重点的油气勘探领域,其沉积的河道砂体有单层厚度薄、侧向变化快的特点,因此亟需对该区域开展有利砂体预测方面的研究,以指导岩性油气藏勘探。以XS14区块为例,针对窄小河道砂体识别问题,开展了地质-地震综合研究。以地震沉积学理论为指导,分析区块内目的层段的沉积相类型,运用地震属性和储层反演等手段,刻画区块内重点层段沉积相平面展布,预测区块内有利砂体分布。研究表明,研究区为一套浅水三角洲沉积,由下至上水体逐渐加深,其中FⅡ1小层沉积期河道砂体厚度大,分布较为连续,为良好的储集层,最终预测下一步勘探开发的目标区位于中部和西北部。     

基于神经网络与有限元法相结合的初始地应力场反演分析

目前,对于初始地应力场的测试主要采用现场直接量测法,而采用神经网络与有限元法相结合的反演分析法越来越成为了一种有效途径.结合广东第五抽水蓄能电站工程实例,利用神经网络与有限元分析相结合的方法,以及BP神经网络结构和ADINA三维有限元模型建立岩体参数、边界条件与地应力场的映射关系来反演初始地应力场.模拟计算与实测结果的对比表明：采用该方法进行初始地应力场的反演计算是可行的,计算结果是合理的,对类似工程具有一定参考价值.     

基于AMSR-E数据的微波植被指数与MODIS植被指数关系研究

利用青南牧区2007－2010年的AMSR E亮温数据计算了相应的微波植被指数（Microwave Vegetation Index,MVI）,对MVI的月季动态变化特征进行了分析,同时结合相同时间序列的MODIS NDVI和EVI数据,对比分析了MVI和MODIS植被指数之间的相关关系,筛选出NDVI反演模型,并对模型的精度进行了评价。结果表明,MVI值随着植被的生长而降低;MVI与NDVI、EVI均有显著的线性负相关。其中,升轨低频MVI与NDVI的相关性最好,相关系数为0.58（P＜0.001）;MVI与MODIS植被指数之间的最优模型为NDVI=-0.85×MVI+0.84;利用最优模型将反演的NDVI与MODIS NDVI进行比较,两者差异较小,说明这一模型能较好地反映2种植被指数的关系。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

基于小波变换和BP神经网络的水稻冠层重金属含量反演

自然农田生态系统中,农作物的各种生化参数受重金属污染胁迫后虽表现异常,但其特征往往极为微弱,极不稳定。利用处理非稳定信号方法中常用的信号处理方法——小波分析法(Db-5),对水稻的光谱反射率数据进行处理,有效提取光谱信号中受重金属污染胁迫而潜藏的一些"突变"弱信息。利用Db-5小波基进行小波变换,从中选取具有异常光谱特征的奇异点,利用奇异点对应波段(716、745、766 nm)的光谱反射率构建反向传播(BP)神经网络模型,对水稻冠层4种重金属含量进行反演。将利用模型得到的预测值与实测值进行相关性分析,结果表明,基于BP神经网络的水稻冠层重金属含量反演模型对于实验区镉、铅、汞、砷4种重金属胁迫,具有良好的反演效果。     

基于全子集-分位数回归的土壤含盐量反演研究

为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0～20 cm、20～40 cm、0～40 cm、40～60 cm、0～60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0～20 cm、0～40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20～40 cm、40～60 cm、0～60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20～40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。     

基于LISS4数据的小麦氮素营养状况反演研究

利用LISS4卫星遥感数据在小麦氮素营养状况监测方面进行了初步研究。根据搭载多光谱传感器LISS4的IRS-P6的过境周期,2006年5月3日在江苏省盐城地区进行同步地面取样测试,通过分析试验点小麦LISS4影像光谱信息与小麦叶面积指数及叶片氮含量的相关关系,发现小麦叶面积指数和叶片氮含量与LISS4影像三个波段反射率及植被指数RVI、NDVI、GNDVI均密切相关,表明利用LISS4遥感影像监测小麦氮素营养状况是可行的。比较不同波段原始反射率和植被指数,在本研究中LISS4影像波段4反射率与小麦氮素营养状况相关最密切。检验结果也表明利用LISS4影像波段4反射率估测小麦氮素营养状况是可行的。研究成果为利用遥感技术大面积监测小麦氮素营养状况和实施精确栽培管理提供了理论依据。     

松嫩平原盐碱化反演及其动态变化过程

[目的]监测2000—2013年来松嫩平原盐碱地时空演变过程,为松嫩平原盐碱地防治提供理论依据。[方法]以MODIS影像为主要数据源,结合野外实测样点建立回归模型,对松嫩平原土壤含盐量进行定量反演。将整个研究时期分为3个时段:时段1(2000—2004年),时段2(2004—2008年),时段3(2008—2013年)。[结果]时段1和时段2盐碱地面积增加,增加速度为5 109.75和2 240.62km2/a,同时盐碱化程度加剧;以2008年为转折点,时段3盐碱地面积减少,主要是轻度盐碱地的减少,但是盐碱化程度仍在加剧。[结论]松嫩平原的盐碱化趋势不容乐观,应该采取紧急措施防止盐碱化程度进一步恶化,保护松嫩平原的生态环境健康发展。     

原状水稻土土壤湿度高光谱特征及反演模型

室内高光谱遥感定量反演土壤湿度的相关研究,可以为利用星载或机载遥感数据源进行大尺度土壤水分监测提供理论基础;原状土土样相较于当前广泛使用的研磨土土样,能更好地保持土壤的原始光谱特性和持水性能。为了得到更可靠的土壤湿度光谱特征与更具有适用性的反演模型,利用ASD Field Spec 3光谱仪采集了江苏省金坛市竹林镇的62个原状水稻土土样12套不同湿度梯度的可见光-近红外反射光谱,通过反射率、相对反射率以及水分吸收峰特征参数探究原状湿土光谱特征;在此基础上,选择对土壤湿度变化响应明显的变量,采用偏最小二乘回归反演土壤湿度,并对比选出最佳反演模型。结果表明:(1)随着风干过程中土壤湿度的降低:土壤反射率整体先下降后上升,可见光波段在土壤湿度较低时存在误差;1450 nm和1950 nm吸收峰的位置向短波方向偏移,吸收峰深度、宽度和面积不断减小,2 200 nm处吸收峰右肩高度不断降低。(2)土壤水分吸收峰特征参数对土壤湿度响应明显;反射率和相对反射率与土壤湿度相关性较高的波段均出现在>1300 nm以后。(3)反射率(R)反演原状土湿度精度较低,R2val=0.752,RPD=1.81,经过数学形式和相对反射率(Rr)变换后,[lg(1/Rr)]'建模中R2val=0.820,RPD=1.99;基于水分吸收峰特征参数建立的模型R2val=0.800,RMSEP=62.70 g kg-1,RPD=2.29,最佳主成分数为3,是反演原状土土壤湿度的最佳建模变量。